Jinhan Kim, CEO al Standigm – Seria de interviuri

Jinhan Kim este CEO al Standigm, o companie de descoperire de medicamente bazată pe flux de lucru AI.

De la identificarea țintelor personalizate la generarea de lead, platforma de flux de lucru AI Standigm generează insight-uri pentru fiecare etapă de dezvoltare a medicamentelor valoroase comercial din proiecte interne și de parteneriat.

Ați început să programați când ați fost în clasa a VI-a, ne puteți spune cum v-ați interesat și ce ați lucrat inițial?

Da, pe Apple II Plus. Acesta a fost catalizatorul care m-a transformat dintr-un bookworm într-un creator. Am început să programez, începând cu programarea C, din curiozitate. M-am interesat de principiile și aspectele teoretice ale calculatorului meu. De acolo, am devenit un învățător pe tot parcursul vieții în domeniul tehnologiei.

Ce v-a atras inițial la învățarea mașinilor?

Am obținut diplomele în chimie aplicată și inteligență artificială la Universitatea din Edinburgh sub Geoffrey Hinton. El este neuroscientistul și omul de știință care a creat în esență învățarea profundă. Hinton a lucrat la rețele neuronale artificiale și a proiectat mașini autonome, inteligente – și, mai târziu, algoritmi de învățare a mașinilor. Google l-a angajat în urmă cu zece ani pentru a crea AI-ul lor și restul este istorie.

Când ați devenit implicat inițial în intersecția biologiei și a învățării mașinilor?

Lucram la Samsung Advanced Institute of Technology, unde dezvoltam algoritmi. Unul dintre algoritmii pe care i-am dezvoltat a fost un mecanism pentru repararea daunelor ADN. Voiam să urmez lucrări în domeniul biologiei și să rezolv cele mai dificile probleme pentru a atinge ținta. Atât corpul uman, cât și calculatoarele care gândesc ca oamenii sunt la fel de complexe, și trebuie să lucrați pentru a înțelege una pentru a cuprinde cealaltă. Sistemele de inteligență artificială nu numai că pot săpătură prin datele științifice extinse publicate de-a lungul deceniilor din întreaga lume, dar pot și să proceseze complexitățile corpului uman și să prindă rapid și coerent modelele mecanismelor biologice. A fost ușor de văzut că biologia și învățarea mașinilor merg mână în mână.

Ne puteți spune povestea de origine a Standigm?

Lucrul meu în sănătate și știință a dezvăluit ceea ce, pentru mine, era o problemă mare în descoperirea tradițională a medicamentelor: timpul și banii necesari pentru a scana articole de cercetare științifică și încercări de screening sau indicii care oferă punctul de plecare pentru potențiale creații de medicamente noi. Oamenii de știință făceau această cercetare intensivă. Eu și doi colegi de la Samsung, Sang Ok Song și So Jeong Yun, am văzut o oportunitate de a muta lucrul de la oameni la o mașină inteligentă și de a proiecta un nou flux de lucru. De asemenea, nu voiam să lucrez pentru un salariu; voiam să lucrez pentru mine, să aduc metode de descoperire a medicamentelor la un nou standard de paradigmă, care este originea lucrării și numele “Standigm”, compania pe care am fondat-o împreună cu cei trei. Modelul nostru de învățare a mașinilor atinge acum o precizie de predicție ridicată și tehnologia sa de inteligență artificială atinge ROI-ul maxim.

Ce este problema accesibilității sintetice și cum lucrează Standigm pentru a o rezolva?

Modelele generative pot proiecta structuri moleculare noi fără ajutorul chimistilor medicamentelor bine pregătiți, ceea ce este una dintre cele mai importante motive pentru adoptarea entuziastă a acestei tehnologii de comunitățile de descoperire a medicamentelor. Cea mai mare barieră aici este diferența de viteză între proiectarea moleculelor și sinteza experimentală, unde proiectarea a milioane de compuși durează doar câteva ore și sinteza a doar zece molecule durează săptămâni sau luni. Deoarece doar o fracțiune mică a compușilor proiectați va fi sintetizată de experții umani, este esențial să aveți măsuri bune ale proprietăților moleculare.

Modelele de inteligență artificială de prima generație erau grosolane, și chimistii sintetici au refuzat majoritatea moleculelor proiectate din cauza dificultății planului sintetic. Unele companii de cercetare și dezvoltare au refuzat chiar să pregătească o propunere pentru această campanie sintetică.

Standigm a lucrat la această problemă, angajând chimisti medicamentisti experimentați și adăugând expertiza lor la modelele generative, astfel încât acestea să poată proiecta compuși care nu pot fi deosebiți de cei proiectați de experții umani. Standigm are acum mai multe modele generative diferite care pot gestiona diferite etape de descoperire a medicamentelor: identificarea loviturilor, lovitură-la-conducere și optimizarea conducerii. Acest lucru arată importanța de a avea o expertiză diversificată pentru orice companie de descoperire a medicamentelor cu inteligență artificială, unde experiența și expertiza umană sunt folosite în mare măsură pentru a îmbunătăți modelele de inteligență artificială și pentru a asigura cele mai bune fluxuri de lucru pentru fiecare proiect.

Puteți discuta despre tipurile de algoritmi utilizate de Standigm pentru a facilita descoperirea medicamentelor?

De obicei, începem orice proiect explorator prin prioritizarea proteinelor țintă promițătoare și noi, utilizând Standigm ASK; platforma noastră de biologie constă în algoritmi distincti pentru a antrena rețele biologice masive, a utiliza diferite tipuri de date omice neîndreptate, a introduce contexte specifice ale sistemelor biologice și așa mai departe. Selectarea corectă a proteinei țintă este una dintre cele mai critice probleme în descoperirea medicamentelor. Standigm ASK ajută experții în boli, oferind multiple ipoteze de MOA (mecanism de acțiune).

Pentru a asigura brevete cu game de protecție ridicate, Standigm BEST efectuează diverse sarcini, inclusiv sugestia de compuși de lovitură (explorare eficientă), săritura de schelet (luând în considerare accesibilitatea sintetică și noutatea) și diverse modele predictive pentru proprietățile medicamentelor (activitate, proprietăți ADME/Tox și proprietăți fizico-chimice). Multe sarcini mai mici sunt legate de acestea mai mari, cum ar fi DTI (interacțiune medicament-țintă), simulări moleculare asistate de inteligență artificială, predicția selectivității și optimizarea multi-parametrilor.

Cât timp este economisit, în medie, atunci când vine vorba de generarea de compuși noi în comparație cu procedurile de descoperire a medicamentelor legacy?

Cercetătorii Standigm au sintetizat sute de molecule noi pentru proiecte, multe dintre care sunt desemnate ca molecule de lovitură și conducere în diferite contexte. Prin adoptarea de modele bazate pe inteligență artificială și resurse comerciale, Standigm a redus timpul pentru prima rundă de generare de compuși noi de la șase luni la o medie de două luni pentru majoritatea proiectelor. Acum, deciziile inițiale de mergere / nu mergere pot fi luate în medie în șapte luni, în loc de trei sau patru ani.

Care sunt unele dintre poveștile de succes ale Standigm pentru comercializarea potențială a medicamentelor?

Utilizând Standigm Insight, care împărtășește același fundal tehnic ca Standigm ASK, am găsit o moleculă de medicament care poate fi utilizată pentru o boală pediatrică rară, validată de un om de știință de la unul dintre cele mai bune spitale de copii din Statele Unite. Acest caz arată că tehnologia de inteligență artificială poate ajuta la descoperirea de medicamente pentru boli rare, o sarcină dificilă pentru o companie de orice dimensiune, din cauza nevoii de valoare comercială. În special în această recesiune, când companiile farmaceutice încearcă să fie mai conservatoare, inteligența artificială poate promova cercetarea și dezvoltarea în boli rare și neglijate.

Care este viziunea dvs. pentru viitorul învățării profunde și a inteligenței artificiale generative în sănătate?

Succesul tehnologiei de inteligență artificială depinde de disponibilitatea datelor de înaltă calitate. Va exista inevitabil o mare competiție în jurul securizării unei cantități mari de date de înaltă calitate în sectorul sănătății. Dintr-o perspectivă mai îngustă a descoperirii medicamentelor timpurii, datele de chimie și biologie sunt scumpe și necesită mult timp pentru a obține statutul de înaltă calitate. Prin urmare, laboratorul automatizat va fi viitorul pentru domeniul descoperirii medicamentelor cu inteligență artificială, deoarece poate reduce costul datelor de înaltă calitate – combustibilul pentru tehnologia de inteligență artificială. Ne împingem platformele noastre tehnologice la nivelul următor, astfel încât Standigm ASK să poată oferi dovezi mai clare, de la date derivate de la pacienți la biologie moleculară; și astfel Standigm BEST modelele de inteligență artificială să fie de ultimă generație, hrănindu-se cu date de înaltă calitate de la laboratoarele noastre automate interne și de la colaboratori.

Există altceva pe care ați dori să-l împărtășiți despre Standigm?

Deoarece echilibrul expertizei diferențiate este important pentru Standigm, echilibrul etniilor este, de asemenea, critic. Am fost extinzând prezența noastră în mediul global prin înființarea birourilor din Regatul Unit (Cambridge) și Statele Unite (Cambridge, MA) pentru a include prezența rețelelor și transformarea Standigm într-o firmă mai internațională.

Mulțumim pentru interviul minunat; cititorii care doresc să afle mai multe despre Standigm ar trebui să viziteze Standigm.